Valg af lagring til at understøtte AI/ML-initiativer

Af Candida Valois, Field CTO, Americas, Scality

Adoptionen af ML og AI fortsætter med at øge hurtigt, hvilket ikke er overraskende, når man betænker de forretningsmæssige indsighter og branchetransformationer, som disse mange brugsområder lover. PwC forudser, at AI kunne bidrage med næsten 16 billioner dollar til den globale økonomi inden 2030. Dette svarer til en øgning på 26% i BNP for lokale økonomier.

Disse teknologier kræver enorme mængder af ustrukturerede data for at fungere, og disse data kommer ofte i form af videoer, billeder, tekst og tale. Arbejdsbyrder af denne type kræver en ny tilgang til dataopbevaring; de gamle metoder er ikke tilstrækkelige. Med indførelsen af sådanne arbejdsbyrder har applikationer brug for hurtig adgang til enorme mængder data – data, der oprettes overalt: i skyen, på kanterne og på lokalt niveau. Disse intensive arbejdsbyrder kræver lav ventetid, evnen til at understøtte forskellige typer og størrelser af payload og evnen til at skala lineært.

Hvad der er nødvendigt, er en frisk tilgang til datalevering, en tilgang, der er centreret omkring applikationer snarere end omkring lokalitet eller teknologi. Med den store tilgang af AI/ML og analytics har virksomheds-IT-ledere brug for en betydelig ændring i måden, de tænker om datastyring og -opbevaring på.

Håndtering af alle filstørrelser

I forhold til AI/ML-arbejdsbyrder og dataopbevaring har organisationer brug for en løsning, der kan håndtere forskellige typer arbejdsbyrder, både små og store filer. I nogle tilfælde kan du have brug for at håndtere kun få titusinder af terabyte, mens der i andre tilfælde er mange petabyte. Ikke alle løsninger er beregnet til enorme filer, ligesom ikke alle kan håndtere meget små filer. Trickset er at finde en løsning, der kan håndtere begge på en fleksibel måde.

Skalbarhed er afgørende

For at sikre nøjagtighed og hastighed kræver organisationer massive datasæt, fordi det er det, AI/ML-algoritmerne har brug for for at træne underliggende modeller korrekt. Organisationer ønsker at vokse i forhold til kapacitet og ydelse, men de er ofte hindret af traditionelle lagringsløsninger. Når de forsøger at skala lineært, kan de ikke. AI/ML-arbejdsbyrder kræver en lagringsløsning, der kan skala uendeligt, når dataene vokser.

Et par hundred terabyte udnytter standard fil- og bloklagringsløsninger; efter det kan de ikke skala. Objektlagringsløsninger kan skala ubegrænset, elastisk og ubemærket efter behov. Og hvad der er vigtigt ved objektlagringsløsninger i forhold til traditionelle lagringsløsninger er, at det er et fuldstændigt fladt rum, hvor der ikke er nogen begrænsninger. Brugere vil ikke møde de begrænsninger, de ville finde med traditionelle lagringsløsninger.

Opfyldelse af ydelseskrav

Kapacitets-skala er vigtig, men det er ikke nok. Organisationer har også brug for evnen til at skala lineært i forhold til ydelse. Desværre med mange traditionelle lagringsløsninger kommer kapacitets-skala på bekostning af ydelse. Så når en organisation har brug for at skala lineært i forhold til kapacitet, tenderer ydelsen til at plate ud eller falde.

Den standardmæssige lagringsparadigme består af filer organiseret i en hierarki med directories og underdirectories. Denne arkitektur fungerer ret godt, når datakapaciteten er lille, men når kapaciteten vokser, lider ydelsen under et bestemt punkt på grund af systembottlenecks og begrænsninger med filopslagstabeller. Objektlagringsløsninger tilbyder dog et ubegrænset fladt navnerum, så ved blot at tilføje yderligere noder kan du skala til petabyte og derudover. Derfor kan du skala for ydelse, som du skalaer for kapacitet.

Lagringsløsninger, der kan understøtte AI/ML-projekter

Organisationer må adoptere en ny måde at se på lagring på, når AI og ML stiger i popularitet. Denne nye tilgang må give dem mulighed for at etablere, køre og skala deres AI/ML-initiativer på den rigtige måde. AI/ML-træning er et klart behov, så nogle af de virksomheds-grads objektlagringssoftware, der er tilgængelige i dag, er bygget til at opfylde dette behov. Virksomheder kan starte deres initiativer på en lille skala, startende med en server, og derefter skala ud, efterhånden som det er nødvendigt for både kapacitet og ydelse. Disse projekter har også brug for ydelse til deres analytics-applikationer, og hurtig objektlagringsløsning leverer det. Desuden giver objektlagringsløsninger fuld data-livscyklusstyring på tværs af multiple skyer og giver mulighed for fleksibilitet fra kanten til kernen.

Virksomheder har brug for at behandle data effektivt, og objektlagringsløsninger gør dette ved at give applikationer mulighed for at få adgang til data på lokalt niveau, selv i multiple skyer. Den lave ventetid, skalbarhed og fleksibilitet gør objektlagringsløsninger til en stærk allieret for AI/ML-initiativer.